Resumo

Investir no mercado de renda variável pode ser uma boa alternativa para quem almeja a independência financeira, no entanto a participação de brasileiros na bolsa de valores é pequena. Essa baixa participação pode estar associada ao desconhecimento sobre o tema. Com isso, a disponibilidade de dados e a crescente contribuição da academia surgem como estímulo para mudar isso. Dada a complexidade e o desafio de se prever o comportamento dos preços de ativos, a literatura está recheada de estudos com esse foco, destacando-se modelos baseados em machine learning (Henrique; Sobreiro; Kimura, 2019).

Verifica-se que a literatura recente tem apresentado resultados interessantes quando utiliza Suport Vector Machine (SVM) juntamente com Rede Neural Artificial (RNA) para a classificação e previsão de séries temporais. No entanto, as abordagens de machine learning são complexas para séries temporais. Diante disso, este estudo investiga três arquiteturas desta técnica para estimar os valores mínimos e máximos diários das ações de empresas que compõem o Índice de Energia Elétrica (IEE) da B3.

Observa-se no mercado financeiro uma variedade de técnicas, como a análise técnica que busca padrões nas movimentações de preços passados para prever os futuros e análise fundamentalista que análise dados financeiros das empresas. Apesar disso, a teoria do Random Walk afirma que o preço dos ativos se movimenta de maneira aleatória. Logo, a melhor estimativa para o preço de amanhã é o de hoje. No mesmo sentido, a hipótese do mercado eficiente afirma que um investidor não pode obter ganhos acima do próprio mercado e, consequentemente, é impossível fazer previsões (Fama, 1995).

As arquiteturas testadas neste estudo foram 2 baseadas na técnica de SVM com bases linear e não linear, além de uma híbrida (SVM com RNA). Por meio dos modelos são estimados os valores mínimos e máximos diários das ações de empresas que compõem o Índice de Energia Elétrica (IEE) da B3, utilizando dados de preços, cotações do IEE, Ibovespa e câmbio, e as respectivas médias móveis, totalizando 28 atributos. Para avaliar a qualidade dos previsores, foram calculados 3 indicadores de erro: Mean Absolute Percentage Error (MAPE), Root Mean Square Error (RMSE) e Mean Absolute Error (MAE).

As previsões foram comparadas com o modelo teórico (Random Walk), considerando as métricas de erro e uma estratégia de investimento. Verifica-se que o melhor modelo proposto obteve níveis de erro menores que Random Walk; e, quando usado na estratégia, alcança retornos superiores que os demais modelos para 11 dos 14 ativos testados, sugerindo potencial ineficiência de mercado. Complementarmente, tais resultados são superiores a estudos anteriores, como Laboissiere, Fernandes e Lage (2015).

Verifica-se que a melhor técnica foi SVM com base linear, obtendo melhor desempenho, logo é pode existir uma possível no mercado local, em especial, no setor elétrico. A simulação da estratégia de investimento confirma a superioridade do melhor previsor, que apresentou retornos acima do benchmark em 11 dos 14 ativos analisados, sendo que o total de retorno foi maior nos 3 cenários investigados (operando com foco no preço mínimo, preço máximo e em ambos simultaneamente), chegando a mais de 600% ao ano.

Fama, E. F. (1995). Random walks in stock market prices. Financial analysts journal, 51(1), 75-80. Henrique, B. M., Sobreiro, V. A., & Kimura, H. (2019). Literature review: Machine learning techniques applied to financial market prediction. Expert Systems with Applications, 124, 226- 251. Laboissiere, L. A., Fernandes, R. A., & Lage, G. G. (2015). Maximum and minimum stock price forecasting of Brazilian power distribution companies based on artificial neural networks. Applied Soft Computing, 35, 66-74.